The execution of code in the applic

The execution of code in the application program is triggered by the arrival (on the simulation time line) of an event, which is passed from the simulation event queue. Depending on the type of event, a dedicated code block or routine executes. Upon arrival of an event at the application layer, the application first determines the event type and according to its type executes the matching routine. For instance, if it is an initialization (Init_Application) event and generated by the supervisory mote, the supervisory mote loads and normalizes the training data, and sends it to generic motes. If, however, the event is generated by a generic mote, then the generic mote initializes the weight vector. If it is a Packet_Received or a Collided_Packet_Received event, the application first checks to see if is the first time the message has reached this mote. If the answer is yes, then it processes the data. Otherwise, it simply ignores it. When application runs to completion, it stores the final results to a file.

Another parameter which is called “Notification_Limit” is specified in the application layer code for WSN–SOM. This parameter is used when SM determines the BMU. Since message loss is an unavoidable aspect of the operation of a wireless sensor network, SM may not receive the computed neuron output values from all the motes in the network. Accordingly, this parameter is conceived to prevent the SM from waiting for too long and its value is set to 0.95 for all simulations. This value indicates that as soon as the SM receives responses from 95% or more of the motes in the WSN, it will proceed to the next step of computations. It is obvious however that this is an application specific value and will likely to be determined in an ad hoc manner.

During training, when a type 1 message that carries a neuron output value arrives at the supervisory mote (SM) for the first time, it will be stored in supervisory mote׳s memory. If at least 95% of motes with neurons responds, the supervisory mote proceeds with the identification of the BMU. The SM then informs the mote with the BMU neuron to update its weight vector and send the label information. If the message type is 6, meaning the supervisory mote receives an update from a generic mote, the SM records this information in its local memory. The SM waits until no further update notification is received from the BMU and those motes in its topological neighborhood for a predetermined time period which is defined empirically. Then it sends out the next training pattern.

When a generic mote receives a message, it first checks the message type. If it is type 0, then it calculates its neuron output using the received input data pattern and sends the computed neuron output back to the supervisory mote with a message type of 1. If it is type 2, meaning that the SM informs this generic mote (GM) that it is the BMU, the generic mote updates its weight vector and sends weight update request to other motes in its topological neighborhood. If it is type 3, meaning that the GM receives a weight update request from the BMU, the GM checks to see if it is in the current topological neighborhood of the BMU mote that sent the message. If yes, then the GM updates its weight vector. Although the routing protocol to communicate weight update requests is flooding, repeated and unnecessary recalculation of weights due to packets recirculating endlessly can be prevented through a simple scheme as follows. A mote can simply forward only those packets, which it has not seen before (requiring unique source identifier and sequence numbers for each packet by its generator). Furthermore, additional information such as “time to expire” or the “maximum number of hops” can be incorporated into the packets to prevent needles propagation. If the message type is 5, meaning that the GM which is also the BMU receives label information from the SM, then it attaches the label information and sends a message with type 6 to the SM. This informs the SM that the label is attached and asks SM to prepare the next label.

A number of preprocessing and initialization steps were implemented. The training data is normalized using the min–max normalization technique to a value in the range [0, 1]. The weights are initialized to random values that are uniformly distributed in [0, 1]. This is implemented by using the MATLAB rand() function (without any arguments) which generates a random value in the range of [0, 1] with standard uniform distribution. Presentation order of training patterns is based on the sequential method for both WSN–SOM and MATLAB SOM toolbox simulations.

If the self-organizing process starts with a neighborhood function that has a wide spread, it is reported that there is usually no risk for ending in metastable configurations of the map [33] and [34]. It has been demonstrated that initially unordered vectors will be ordered in the long run as a result of the SOM training process [33] and [34]. It was also stated by Erwin et al. [33] and [34] that, if the neighborhood function is convex, there exist no stable states other than ordered ones. On the other hand, if the neighborhood function is concave, then there exists a metastable state, which may slow down the ordering process by orders of magnitude.

This study employs a variant of Gaussian neighborhood function, which uses message hop count instead of spatial distance between motes to establish the neighborhood relationship, and is given by

equation(6)
View the MathML source
Turn MathJax on

where α(tk) is the learning factor described in Eq. (3); hopji(tk)2 represents the message hop count from sender mote j to the receiver mote i, where this information can be extracted from the mote positioning within the WSN topology; and σ(tk) is as defined by Eq. (3).
Convergence or the conclusion of the training phase happens and can be detected when the topological neighborhood function shrinks to include only the best matching unit (BMU) and no others in its neighborhood, and when the weight changes reduce to a very small value for an entire sweep or epoch over the training patterns. This is the procedure applied for both WSN–SOM and MATLAB SOM simulations.

3.3. Performance evaluation metrics

We used both the quantization error and the topographic error measures to compare the solution quality. Quantization error is a well-known property that is traditionally related to many forms of vector quantization and clustering algorithms. It measures the map resolution and is computed by determining the average distance between the data or pattern vector and its BMU. One shortcoming of this metric is that it completely disregards the map topology and alignment. The following formula is used for the computation of the quantization error:

View the MathML source

where P is the number of training patterns, xi is the i-th training pattern, and wBMU,i is the weight vector of the BMU neuron for training pattern xi.

Topographic error measure requires the dataset information, and increases the error value when the respective best and second-best matching units are not adjacent. The total error is normalized to a range from 0 to 1 where 0 means perfect topology preservation. The topographic error is calculated through

View the MathML source

where i is the instance number of a total of P training patterns; and the value of function u(xi) is 1, if for input pattern xi, the first and second BMUs are not adjacent, and is 0 otherwise [45].

3.4. Data set: alphanumeric symbols

The text data set [46] entails five dimensional instance patterns representing uppercase letters in the English alphabet as well as Arabic numerals 1 through 6 as presented in

ผลลัพธ์ (ไทย) 1:

การดำเนินการของรหัสในโปรแกรมประยุกต์ทริกเกอร์ โดยถือ (บรรทัดการจำลองเวลา) ของเหตุการณ์ ซึ่งผ่านจากคิวการจำลองเหตุการณ์ ขึ้นอยู่กับชนิดของเหตุการณ์ บล็อกรหัสเฉพาะหรือขั้นตอนดำเนินการ เมื่อมาถึงเหตุการณ์ที่ชั้นแอพลิเคชัน แอพลิเคชันก่อนกำหนดชนิดของเหตุการณ์ และดำเนินขั้นตอนตรงตามชนิดของการ ตัวอย่าง ถ้านั้นเป็นเหตุการณ์เริ่มต้น (Init_Application) และสร้างขึ้น โดยมลทินประกาศ มลทินประกาศโหลด normalizes ข้อมูลการฝึกอบรม และส่งไปทั่วไป motes ถ้า อย่างไร ตาม เหตุการณ์ถูกสร้าง โดยมลทินทั่วไป แล้วมลทินทั่วไปเริ่มต้นเวกเตอร์น้ำหนัก ถ้าเป็นแบบ Packet_Received หรือเหตุการณ์ Collided_Packet_Received แอพลิเคชันตรวจสอบก่อนเพื่อดูว่า ครั้งแรกที่ ข้อความแล้วมลทินนี้ ถ้าคำตอบคือ ใช่ แล้วประมวลผลข้อมูล มิฉะนั้น ก็เพียงละเว้นก็ เมื่อโปรแกรมทำงานจนเสร็จสมบูรณ์ เก็บผลสุดท้ายไปยังแฟ้มพารามิเตอร์อื่นซึ่งเรียกว่า "Notification_Limit" ระบุในรหัสชั้นแอพลิเคชันสำหรับ WSN – SOM. พารามิเตอร์นี้ถูกใช้เมื่อ SM กำหนด BMU เนื่องจากความสูญเสีย ด้านการหลีกเลี่ยงไม่ได้ของการดำเนินงานของเครือข่ายเซนเซอร์ไร้สาย SM อาจไม่ได้รับค่าผลผลิตเซลล์ประสาทจากการคำนวณจาก motes ทั้งหมดในเครือข่าย ตามลำดับ พารามิเตอร์นี้จะรู้สึกให้ SM รอนานเกินไป และค่าถูกตั้งค่าเป็น 0.95 สำหรับจำลองทั้งหมด ค่านี้บ่งชี้ว่า เป็น SM ได้รับการตอบรับจาก motes ใน WSN อย่างน้อย 95% มันจะดำเนินการขั้นตอนต่อไปของการประมวลผล ได้ชัดแต่ที่นี้เป็นค่าเฉพาะแอพลิเคชัน และจะมีแนวโน้มจะสามารถกำหนดในลักษณะการกิจในระหว่างการฝึกอบรม เมื่อข้อความชนิด 1 ที่เซลล์ประสาทมีผลค่ามาถึงที่มลทินประกาศ (SM) เป็นครั้งแรก มันจะถูกเก็บไว้ในหน่วยความจำ mote׳s ประกาศ ถ้าตอบน้อย 95% ของ motes กับ neurons มลทินประกาศดำเนินกับรหัสของ BMU SM แล้วจะแจ้งให้มลทิน ด้วยเซลล์ประสาท BMU เวกเตอร์ของน้ำหนักการปรับปรุง และส่งข้อมูลป้าย ถ้าชนิดข้อ 6 หมายถึง มลทินประกาศได้รับการปรับปรุงจากมลทินทั่วไป SM บันทึกนี้ข้อมูลในหน่วยความจำของเครื่อง SM จะรอจนกว่าจะไม่เพิ่มเติมปรับปรุงรับการแจ้งเตือนจาก BMU เหล่า motes ในย่าน topological ของสำหรับรอบระยะเวลาที่กำหนดไว้ซึ่งกำหนด empirically แล้ว มันส่งออกรูปแบบการฝึกอบรมต่อไปเมื่อมลทินทั่วไปได้รับข้อความ แรกตรวจสอบชนิดของข้อความ ถ้าเป็นชนิด 0 แล้วมันคำนวณผลลัพธ์เซลล์ประสาทโดยใช้รูปแบบการป้อนข้อมูลรับ และส่งผลลัพธ์จากการคำนวณเซลล์ประสาทไปมลทินประกาศมีข้อความชนิด 1 ถ้าเป็นชนิด 2 หมายความ ว่า SM ที่จะแจ้งให้ทราบนี้มลทินทั่วไป (GM) ว่า เป็น BMU มลทินทั่วไปปรับปรุงของเวกเตอร์น้ำหนัก และส่งคำขอการปรับปรุงน้ำหนัก motes อื่น ๆ ในย่าน topological ของ ถ้าเป็นชนิด 3 หมายความ ว่า ที่จีเอ็มได้รับการร้องขอการปรับปรุงน้ำหนักจาก BMU กรัมตรวจสอบเพื่อดูว่า มันเป็นในปัจจุบัน topological ของมลทิน BMU ที่ส่งข้อความ ถ้าใช่ แล้ว GM อัพเดเวกเตอร์ของน้ำหนักการ แม้น้ำท่วมโพรโทคอสายงานการผลิตสื่อสารร้องขอการปรับปรุงน้ำหนัก คำนวณน้ำหนักเนื่องจากแพคเก็ตที่ไม่รู้จบ recirculating ซ้ำ และไม่จำเป็นสามารถป้องกันผ่านแบบง่าย ๆ ดังนี้ เศษฟางก็สามารถส่งต่อเท่าที่แพคเก็ต ซึ่งไม่เคยพบมาก่อน (ต้องการเฉพาะแหล่งรหัสลำดับหมายเลขสำหรับแต่ละแพคเก็ตโดยกำเนิดของ) นอกจากนี้ สามารถรวมข้อมูลเพิ่มเติมเช่น "เวลาหมดอายุ" หรือ "จำนวนข้าม" ออกเป็นแพคเก็ตเพื่อป้องกันเข็มเผยแพร่ ชนิดของข้อความมี 5 หมายความ ว่า จีเอ็มซึ่งเป็น BMU ได้รับป้ายชื่อข้อมูลจาก SM แล้วมันแนบป้ายชื่อข้อมูล แล้วส่งข้อความที่ มีชนิด 6 เอสเอ็ม นี้จะแจ้ง SM ว่า ป้ายชื่อที่แนบ และถาม SM เพื่อจัดเตรียมป้ายถัดไปหมายเลขของขั้นตอนการประมวลผลเบื้องต้นและเริ่มต้นดำเนินการ ข้อมูลการฝึกอบรมได้ตามปกติโดยใช้เทคนิคฟื้นฟู min – max ให้มีค่าในช่วง [0, 1] น้ำหนักจะเริ่มต้นให้เป็นค่าสุ่มที่มีกระจายสม่ำเสมอเมื่อเทียบเคียงใน [0, 1] นี้จะดำเนินการ โดยใช้ฟังก์ชัน rand() MATLAB (โดยไม่มีอาร์กิวเมนต์ใด ๆ) ที่สร้างแบบสุ่มค่าในช่วง [0, 1] กับการแจกแจงเป็นรูปแบบมาตรฐาน ลำดับงานนำเสนอรูปแบบการฝึกอบรมอยู่ในวิธีการเรียงลำดับสำหรับ WSN – ส้มและส้ม MATLAB มือจำลองถ้ากระบวนการจัดการตนเองเริ่มต้น ด้วยฟังก์ชันใกล้เคียงที่มีแห แต่ก็มีรายงานว่า มีมักจะไม่มีความเสี่ยงสำหรับการสิ้นสุดในการกำหนดค่า metastable ของแผนที่ [33] [34] มันได้ถูกแสดงว่า เวกเตอร์แรกปกติจะจัดในระยะยาวเป็นผลมาจากกระบวนการฝึกอบรมของ SOM [33] และ [34] นอกจากนี้มันยังมีระบุโดยแอร์ร้อยเอ็ด al. [33] [34] ว่า ถ้าฟังก์ชันย่านนูน มีอเมริกามีเสถียรภาพไม่ใช่สั่งคน ในทางกลับกัน ถ้าฟังก์ชันย่านเว้า แล้วมีอยู่ metastable สิ่ง ที่อาจช้าลงกระบวนการสั่งซื้อ โดยใบสั่งของขนาดการศึกษานี้มีตัวแปรของฟังก์ชันย่าน Gaussian ซึ่งใช้จำนวน hop ข้อความแทนระยะห่างพื้นที่ระหว่าง motes เพื่อสร้างความสัมพันธ์ของพื้นที่ใกล้เคียง และถูกกำหนดโดยequation(6)ดูต้น MathMLเปิด MathJaxที่ α(tk) เป็นตัวเรียนรู้ใน Eq. (3); hopji (tk) 2 แทนตู้ข้อความนับจากส่งเจมลทินมลทินรับฉัน ซึ่งสามารถดึงข้อมูลนี้จากตำแหน่งมลทินภายในโทโพโลยี WSN และ σ(tk) เป็นกำหนด โดย Eq. (3)บรรจบกันหรือสรุปของขั้นตอนการฝึกอบรมที่เกิดขึ้น และสามารถตรวจพบ เมื่อฟังก์ชันย่าน topological ลดขนาดรวมเฉพาะส่วนที่ตรงกับหน่วย (BMU) และไม่อื่น ๆ ในย่านนั้น และ เมื่อการเปลี่ยนแปลงน้ำหนักลดค่าขนาดเล็กมากสำหรับทั้งกวาดหรือยุคผ่านรูปแบบการฝึกอบรม ขั้นตอนที่ใช้ WSN – ส้มและส้ม MATLAB จำลองอยู่3.3 การวัดประเมินประสิทธิภาพเราใช้ข้อผิดพลาด quantization และมาตรการข้อผิดพลาด topographic เพื่อเปรียบเทียบคุณภาพการแก้ไขปัญหา ข้อผิดพลาด quantization เป็นแบบรู้จักที่ประเพณีที่เกี่ยวข้องกับหลายรูปแบบของ quantization เวกเตอร์และอัลกอริทึมคลัสเตอร์ มันวัดความละเอียดของแผนที่ และคำนวณ โดยกำหนดระยะห่างเฉลี่ย ระหว่างข้อมูล หรือรูปแบบเวกเตอร์ของ BMU คงหนึ่งของวัดนี้คือ ว่า มันสมบูรณ์ละเว้นการโทโพโลยีของแผนที่และการจัดตำแหน่ง สูตรต่อไปนี้ใช้สำหรับการคำนวณของ quantization ข้อผิดพลาด:ดูต้น MathMLP คือ จำนวนของรูปแบบการฝึกอบรม สิเป็นรูปแบบการฝึกอบรม i th และ wBMU ฉันเป็นเวกเตอร์น้ำหนักของเซลล์ประสาท BMU การฝึกรูปแบบสิข้อผิดพลาด topographic วัดต้องการข้อมูลชุดข้อมูล และเพิ่มค่าข้อผิดพลาดเมื่อลำดับดีที่สุด และ ส่วนที่สองตรงหน่วยไม่ติด ข้อผิดพลาดรวมเป็นตามปกติถึง 0 ซึ่ง 0 หมายถึง โทโพโลยีที่เหมาะสมเก็บรักษา 1 มีคำนวณผิดพลาด topographic ผ่านดูต้น MathMLที่ฉันเป็นจำนวนอินสแตนซ์ทั้งหมดของรูปแบบการฝึกอบรม P และค่าของฟังก์ชัน u(xi) คือ 1 ถ้าในซีอานซีกวนรูปแบบการป้อนข้อมูล BMUs และสองอยู่ติดกัน และ อื่น ๆ 0 [45]3.4 การชุดข้อมูล: สัญลักษณ์อักษรชุดข้อมูลของข้อความ [46] มีรูปตัวอย่างมิติห้าแทนตัวอักษรตัวพิมพ์ใหญ่ตัวอักษรภาษาอังกฤษรวมทั้งเลขอารบิก 1 ถึง 6 ตามที่แสดงใน

ผลลัพธ์ (ไทย) 2:

การดำเนินการของรหัสในโปรแกรมประยุกต์ถูกเรียกโดยการมาถึง (บนเส้นเวลาจำลอง) ของเหตุการณ์ซึ่งจะถูกส่งออกจากคิวเหตุการณ์จำลอง ขึ้นอยู่กับชนิดของเหตุการณ์ที่มีการป้องกันรหัสเฉพาะหรือรันประจำ เมื่อมาถึงของเหตุการณ์ที่ชั้นแอพลิเคชันที่แอพลิเคชันแรกกำหนดประเภทการแข่งขันและเป็นไปตามประเภทของรันประจำการจับคู่ ยกตัวอย่างเช่นถ้าเป็นการเริ่มต้น (Init_Application) เหตุการณ์และสร้างขึ้นโดยมลทินกำกับดูแลโหลดมลทินงานที่กำกับดูแลและ normalizes ข้อมูลการฝึกอบรมและส่งไปยัง motes ทั่วไป แต่ถ้ากรณีที่ถูกสร้างขึ้นโดยทั่วไปมลทินแล้วมลทินทั่วไปเริ่มต้นเวกเตอร์น้ำหนัก ถ้าเป็น Packet_Received หรือเหตุการณ์ Collided_Packet_Received แอพลิเคชันจะตรวจสอบก่อนเพื่อดูว่าเป็นครั้งแรกที่ข้อความได้ถึงมลทินนี้ ถ้าคำตอบคือใช่แล้วจะประมวลผลข้อมูล มิฉะนั้นมันก็ไม่สนใจมัน เมื่อโปรแกรมประยุกต์ทำงานจะเสร็จสิ้นจะเก็บผลสุดท้ายไปยังแฟ้ม. พารามิเตอร์อีกซึ่งเรียกว่า "Notification_Limit" ระบุไว้ในรหัสชั้นใช้สำหรับ WSN-SOM พารามิเตอร์นี้จะใช้เมื่อเอสเอ็มกำหนด BMU เนื่องจากมีผลขาดทุนข้อความเป็นสิ่งหลีกเลี่ยงไม่ได้ของการดำเนินงานของเครือข่ายเซ็นเซอร์ไร้สายที่เอสเอ็มอาจไม่ได้รับค่าเอาท์พุทเซลล์ประสาทคำนวณจาก motes ทั้งหมดที่อยู่ในเครือข่าย ดังนั้นพารามิเตอร์นี้จะรู้สึกเพื่อป้องกันไม่ให้เอสเอ็มจากการรอคอยนานเกินไปและค่าที่ถูกตั้งไว้ที่ 0.95 สำหรับการจำลองทั้งหมด ค่านี้แสดงให้เห็นว่าเร็วที่สุดเท่าที่เอสเอ็มได้รับการตอบสนองจาก 95% หรือมากกว่าของ motes ใน WSN ก็จะดำเนินการขั้นตอนต่อไปของการคำนวณ จะเห็นได้ชัด แต่ที่นี้เป็นค่าใช้เฉพาะและจะมีแนวโน้มที่จะได้รับการพิจารณาในลักษณะเฉพาะกิจ. ระหว่างการฝึกอบรมเมื่อชนิดที่ 1 ข้อความที่ดำเนินการมูลค่าการส่งออกของเซลล์ประสาทมาถึงที่มลทินกำกับดูแล (SM) เป็นครั้งแรก จะถูกเก็บไว้ในหน่วยความจำมลทินกำกับดูแลของ ถ้าอย่างน้อย 95% ของ motes กับเซลล์ประสาทตอบสนองต่อการดำเนินงานที่กำกับดูแลมลทินกับบัตรประจำตัวของ BMU ที่ เอสเอ็มแล้วแจ้งมลทินที่มีเซลล์ประสาท BMU การปรับปรุงน้ำหนักของเวกเตอร์และส่งข้อมูลฉลาก ถ้าประเภทข้อความคือ 6 ความหมายมลทินกำกับดูแลได้รับการปรับปรุงจากมลทินทั่วไปการเอสเอ็มบันทึกข้อมูลในหน่วยความจำของท้องถิ่นนี้ เอสเอ็มรอจนกระทั่งไม่มีการแจ้งเตือนปรับปรุงต่อไปจะได้รับจาก BMU motes และผู้ที่อยู่ในพื้นที่ใกล้เคียงของทอพอโลยีสำหรับช่วงเวลาที่กำหนดไว้ซึ่งถูกกำหนดให้สังเกตุ จากนั้นก็จะส่งรูปแบบการฝึกอบรมต่อไป. เมื่อมลทินทั่วไปได้รับข้อความมันเป็นครั้งแรกจะตรวจสอบประเภทข้อความ ถ้าเป็นชนิด 0 แล้วมันคำนวณผลผลิตเซลล์ประสาทของการใช้รูปแบบการป้อนข้อมูลที่ได้รับและส่งค่าที่คำนวณเซลล์ประสาทกลับไปที่มลทินกำกับดูแลที่มีประเภทข้อความ 1. ถ้าเป็นชนิดที่ 2 หมายความว่าเอสเอ็มแจ้งมลทินทั่วไปนี้ (จีเอ็ม) ที่เป็น BMU, มลทินทั่วไปการปรับปรุงน้ำหนักของเวกเตอร์และส่งการร้องขอการปรับปรุงน้ำหนัก motes อื่น ๆ ในพื้นที่ใกล้เคียงของทอพอโลยี ถ้าเป็นพิมพ์ 3 ซึ่งหมายความว่าจีเอ็มได้รับการร้องขอการปรับปรุงน้ำหนักจาก BMU ที่จีเอ็มจะตรวจสอบเพื่อดูว่ามันมีอยู่ในย่านทอพอโลยีปัจจุบันของมลทิน BMU ที่ส่งข้อความ ถ้าใช่แล้วจีเอ็มปรับปรุงเวกเตอร์น้ำหนักของมัน แม้ว่าเส้นทางโปรโตคอลในการสื่อสารการร้องขอการปรับปรุงน้ำหนักเป็นน้ำท่วมซ้ำและการคำนวณใหม่ที่ไม่จำเป็นของน้ำหนักเนื่องจากการหมุนเวียนอย่างไม่มีที่สิ้นสุดแพ็คเก็ตสามารถป้องกันได้ผ่านรูปแบบที่เรียบง่ายดังต่อไปนี้ มลทินก็สามารถไปข้างหน้าเพียงแพ็คเก็ตเหล่านั้นซึ่งมันไม่ได้เห็นมาก่อน (ต้องระบุแหล่งที่มาที่ไม่ซ้ำกันและหมายเลขลำดับสำหรับแต่ละแพ็กเก็ตโดยกำเนิดของมัน) นอกจากนี้ข้อมูลเพิ่มเติมเช่น "เวลาที่จะหมดอายุ" หรือ "จำนวนสูงสุดของฮอปส์" สามารถรวมอยู่ในแพ็กเก็ตเพื่อป้องกันไม่ให้เข็มขยายพันธุ์ ถ้าประเภทข้อความคือ 5 ซึ่งหมายความว่าจีเอ็มซึ่งเป็น BMU ได้รับข้อมูลฉลากจากเอสเอ็มแล้วก็ติดป้ายชื่อข้อมูลและส่งข้อความที่มี 6 ประเภทเอสเอ็ม นี้จะแจ้งเอสเอ็มที่ฉลากที่แนบมาและขอให้เอสเอ็มเพื่อเตรียมความพร้อมป้ายต่อไป. จำนวน preprocessing และขั้นตอนการเริ่มต้นถูกนำมาใช้ ข้อมูลการฝึกอบรมที่เป็นปกติโดยใช้เทคนิคการฟื้นฟูนาทีสูงสุดเป็นค่าในช่วง [0, 1] น้ำหนักจะเริ่มต้นไปเป็นค่าสุ่มที่มีการกระจายอย่างสม่ำเสมอใน [0, 1] นี้จะดำเนินการโดยใช้ MATLAB แรนด์ () ฟังก์ชัน (โดยไม่ขัดแย้งใด ๆ ) ซึ่งจะสร้างค่าสุ่มในช่วง [0, 1] ด้วยการกระจายชุดมาตรฐาน เพื่อนำเสนอรูปแบบการฝึกอบรมจะขึ้นอยู่กับวิธีการตามลำดับสำหรับทั้ง WSN-SOM และ MATLAB SOM จำลองกล่อง. หากกระบวนการจัดการตนเองเริ่มต้นด้วยฟังก์ชั่นพื้นที่ใกล้เคียงที่มีการแพร่กระจายกว้างมีรายงานว่ามักจะมีความเสี่ยงที่ไม่มีที่สิ้นสุด ในการกำหนดค่า metastable ของแผนที่ [33] และ [34] มันได้รับการแสดงให้เห็นว่าในตอนแรกพาหะเรียงลำดับจะได้รับการสั่งซื้อในระยะยาวเป็นผลมาจากกระบวนการฝึกอบรม SOM [33] และ [34] นอกจากนี้ยังได้รับการกล่าวโดยเออร์วิน, et al [33] และ [34] ว่าถ้าฟังก์ชั่นพื้นที่ใกล้เคียงคือนูนมีอยู่ไม่มีรัฐอื่น ๆ ที่มีความเสถียรกว่าคนที่ได้รับคำสั่ง ในทางกลับกันถ้าฟังก์ชั่นพื้นที่ใกล้เคียงคือเว้าแล้วมีอยู่รัฐ metastable ซึ่งอาจชะลอตัวลงการสั่งซื้อสินค้าโดยคำสั่งของขนาด. การศึกษาครั้งนี้มีพนักงานที่แตกต่างของการทำงานใกล้เคียงเสียนซึ่งใช้นับรำข้อความแทนระยะทางอวกาศ ระหว่าง motes เพื่อสร้างความสัมพันธ์พื้นที่ใกล้เคียงและจะได้รับจากสมการ(6) ดูแหล่งที่มา MathML เปิด MathJax ในที่α (tk) เป็นปัจจัยการเรียนรู้ที่อธิบายไว้ในสมการ (3) hopji (tk) 2 แสดงให้เห็นถึงการนับรำข้อความจากผู้ส่งมลทินเจมลทินไปรับผมที่ข้อมูลเหล่านี้สามารถสกัดได้จากมลทินตำแหน่งภายในโครงสร้าง WSN นั้น และσ (tk) ได้ตามที่กำหนดโดยสมการ (3). บรรจบหรือข้อสรุปของขั้นตอนการฝึกอบรมที่เกิดขึ้นและสามารถตรวจพบเมื่อฟังก์ชันละแวกทอพอโลยีจิตวิทยารวมเฉพาะหน่วยการจับคู่ที่ดีที่สุด (BMU) และอื่น ๆ ที่ไม่อยู่ในเขตของตนและเมื่อมีการเปลี่ยนแปลงน้ำหนักลดขนาดเล็กมาก ค่าสำหรับกวาดทั้งหมดหรือยุคมากกว่ารูปแบบการฝึกอบรม ซึ่งเป็นกระบวนการที่ใช้สำหรับทั้ง WSN-SOM และ MATLAB จำลอง SOM. 3.3 ตัวชี้วัดการประเมินผลการปฏิบัติงานเราใช้ทั้งข้อผิดพลาด quantization และมาตรการข้อผิดพลาดภูมิประเทศเพื่อเปรียบเทียบคุณภาพการแก้ปัญหา ข้อผิดพลาด quantization เป็นสถานที่รู้จักกันดีว่าเป็นเรื่องที่เกี่ยวข้องประเพณีที่หลายรูปแบบของเวกเตอร์และขั้นตอนวิธีการจัดกลุ่ม มันมาตรการความละเอียดแผนที่และคำนวณโดยการกำหนดระยะทางเฉลี่ยระหว่างข้อมูลหรือรูปแบบเวกเตอร์และของ BMU หนึ่งในข้อบกพร่องของตัวชี้วัดนี้ก็คือว่ามันสมบูรณ์แวดล้อมโครงสร้างแผนที่และการจัดตำแหน่ง สูตรต่อไปนี้ในการคำนวณของข้อผิดพลาด quantization ที่: ดูแหล่งที่มา MathML ที่ P คือจำนวนของรูปแบบการฝึกอบรมซีอานเป็นรูปแบบการฝึกอบรมที่ i และ wBMU ฉันเป็นเวกเตอร์น้ำหนักของเซลล์ประสาท BMU สำหรับรูปแบบการฝึกอบรม จิน. วัดข้อผิดพลาดภูมิประเทศต้องการข้อมูลชุดข้อมูลและเพิ่มค่าความผิดพลาดเมื่อนั้นดีที่สุดและสองที่ดีที่สุดหน่วยการจับคู่ไม่ได้อยู่ติดกัน ข้อผิดพลาดรวมปกติช่วง 0-1 โดยที่ 0 หมายถึงการเก็บรักษาโครงสร้างที่สมบูรณ์แบบ ข้อผิดพลาดในภูมิประเทศที่มีการคำนวณผ่านมุมมองแหล่ง MathML ที่ฉันเป็นจำนวนตัวอย่างของการรวมรูปแบบการฝึกอบรมของ P นั้น และความคุ้มค่าของฟังก์ชั่นยู (จิน) เป็น 1 ถ้าสำหรับรูปแบบการป้อนข้อมูลซีอานที่ BMus แรกและครั้งที่สองไม่ได้อยู่ติดกันและเป็น 0 อย่างอื่น [45]. 3.4 ชุดของข้อมูล: สัญลักษณ์และตัวเลขชุดข้อมูลที่เป็นข้อความ[46] รายละเอียดรูปแบบห้ามิติตัวอย่างที่เป็นตัวแทนของตัวอักษรพิมพ์ใหญ่ในตัวอักษรภาษาอังกฤษเช่นเดียวกับเลขอารบิค 1 ทั้งหมด 6 ที่แสดงใน

ผลลัพธ์ (ไทย) 3:

การประหารชีวิตของโค้ดในโปรแกรมจะถูกทริกเกอร์ โดยเดินทางมาถึงในการจำลองเวลาบรรทัด ) ของเหตุการณ์ ซึ่งเสียชีวิตจากเหตุการณ์จำลอง คิว ขึ้นอยู่กับชนิดของเหตุการณ์ โดยเฉพาะการป้องกันรหัสหรือกิจวัตรรัน . เมื่อมาถึงเหตุการณ์ในชั้นการประยุกต์โปรแกรมแรกจะกำหนดประเภทของเหตุการณ์ และตามชนิดของรันที่ตรงกับตามปกติ ตัวอย่าง ถ้ามันเป็นการเริ่มต้น ( init_application ) และเหตุการณ์ที่สร้างขึ้นโดยผงนิเทศ , นิเทศโมตโหลดและปรับข้อมูลการฝึกอบรมและส่งไปยังโมตส์ทั่วไป แต่ถ้าเป็นกิจกรรมที่สร้างขึ้นโดยแฟชั่นทั่วไปแล้วผงทั่วไป initializes น้ำหนักเวกเตอร์ ถ้ามันเป็น packet_received หรือเหตุการณ์ collided_packet_received , ใบสมัครตรวจสอบก่อนเพื่อดูว่า เป็นครั้งแรกที่ข้อความได้ถึงแฟชั่นนี้ ถ้าคำตอบคือ ใช่ แล้วกระบวนการข้อมูล ไม่งั้น มันก็จะไม่สนใจมัน เมื่อโปรแกรมทำงานเสร็จก็เก็บผลลัพธ์สุดท้ายไปยังแฟ้ม .

พารามิเตอร์อื่นซึ่งเรียกว่า " notification_limit " ที่ระบุไว้ในใบสมัครชั้นรหัส WSN –ส้ม พารามิเตอร์นี้จะใช้เมื่อ SM กำหนดซึ่งได้รับการสนับสนุนจาก . ตั้งแต่สูญเสียข้อความเป็นลักษณะหลีกเลี่ยงไม่ได้ของการดำเนินงานของเครือข่ายเซ็นเซอร์ไร้สาย , SM อาจไม่ได้รับการคำนวณค่าจากเซลล์ออกโมตส์ทั้งหมดในเครือข่าย ตามพารามิเตอร์นี้จะตั้งครรภ์เพื่อป้องกันไม่ให้ SM รอนานเกินไปและค่าของมันเป็นชุด 0.95 สำหรับการจำลอง . ค่า นี้บ่งชี้ว่า ทันทีที่ SM ได้รับการตอบสนองจาก 95% หรือมากกว่าของโมตส์ใน WSN ก็จะดำเนินการในขั้นตอนต่อไปของการคำนวณ . มันชัดเจน แต่มันเป็นโปรแกรมเฉพาะ คุณค่า และ อาจจะต้องพิจารณาในลักษณะแบบเฉพาะกิจ

ในระหว่างการฝึกอบรม เมื่อประเภท 1 ข้อความที่มีเซลล์ประสาทมูลค่าส่งออกมาถึงโมตนิเทศ ( SM ) เป็นครั้งแรกจะถูกเก็บไว้ในการนิเทศ มลทิน׳ s หน่วยความจำ ถ้าอย่างน้อย 95% ของโมตส์กับประสาทตอบสนอง , ผงเงินกับการระบุของซึ่งได้รับการสนับสนุนจาก .SM แล้วแจ้งผงด้วยซึ่งได้รับการสนับสนุนจากเซลล์ประสาทเพื่ออัปเดตของน้ำหนักฟรีและส่งข้อมูลฉลาก ถ้าพิมพ์ข้อความเป็น 6 , ความหมายของแฟชั่นการนิเทศได้รับการปรับปรุงจากมลทินทั่วไป , บันทึกข้อมูลในหน่วยความจำสำหรับท้องถิ่นSM รอจนกว่าไม่มีการแจ้งเตือนการปรับปรุงเพิ่มเติมจะได้รับจากบิม่าและพวกโมตส์ในละแวกของทอพอโลยีสำหรับกำหนดเวลาที่กำหนดใช้ . แล้วมันส่งออกรูปแบบการฝึกต่อไป

เมื่อผงทั่วไปได้รับข้อความ ก็ตรวจสอบก่อนพิมพ์ข้อความ ถ้าเป็นประเภท 0แล้วมันจะคำนวณผลผลิตของเซลล์ประสาทที่ใช้รับและส่งข้อมูลแบบคำนวณเซลล์ประสาทผลผลิตกลับผงนิเทศกับข้อความประเภทที่ 1 ถ้าเป็น 2 ชนิด หมายความว่า เอสเอ็มแจ้งแฟชั่นทั่วไป ( GM ) เลยก็ว่าได้ ซึ่งได้รับการสนับสนุนจากผงทั่วไป , การปรับปรุงน้ำหนักเวกเตอร์และส่งน้ำหนัก update ให้โมตส์อื่น ๆ ในละแวกของทอพอโลยี . ถ้าเป็นประเภท 3ความหมายว่า จีเอ็มได้รับน้ำหนัก update จากบิม่า , จีเอ็ม ตรวจสอบเพื่อดูถ้ามันอยู่ในรูปแบบปัจจุบันของชุมชนซึ่งได้รับการสนับสนุนจากผงที่ส่งข้อความ ถ้าใช่ แล้ว จีเอ็ม การปรับปรุงน้ำหนักเวกเตอร์ แม้ว่าเส้นทางการติดต่อสื่อสารการร้องขอการปรับปรุงน้ำหนักคือน้ำท่วมซ้ําคํานวณและไม่จำเป็นของน้ำหนักเนื่องจากแพ็กเก็ตหมุนเวียนไม่รู้จบ สามารถป้องกันได้โดยง่าย โครงการ ดังนี้ เป็นมลทินสามารถส่งต่อแพ็กเก็ตเหล่านั้นเท่านั้น ซึ่งมันไม่เคยเห็นมาก่อน ( มีตัวเลขระบุแหล่งที่มาและลำดับสำหรับแต่ละแพ็กเก็ต โดยการสร้างเอกลักษณ์ ) นอกจากนี้ข้อมูลเพิ่มเติม เช่น " เวลาหมดอายุ " หรือ " จำนวนสูงสุดของฮอปส์ " สามารถรวมอยู่ในแพ็กเกจเพื่อป้องกันเข็ม ขยายพันธุ์โดยการเพาะเมล็ด ถ้าพิมพ์ข้อความเป็น 5 , ความหมายว่าจีเอ็มซึ่งเป็นบิม่าได้รับข้อมูลฉลากจาก SM ก็ให้ข้อมูลฉลาก และส่งข้อความที่มี 6 ชนิดใน SMนี้จะแจ้งให้ SM ที่ป้ายชื่อติดและขอให้ SM เตรียมป้ายต่อไป

จำนวนของการเตรียมและขั้นตอนการเริ่มต้นถูกนำมาใช้ ข้อมูลการฝึกอบรมเป็นปกติใช้มิน–แม็กซ์การฟื้นฟูเทคนิคค่าอยู่ในช่วง [ 0 , 1 ] น้ำหนักเป็นค่าสุ่มเริ่มต้นที่จุดกระจายใน [ 0 , 1 ]นี้จะดำเนินการได้โดยการใช้โปรแกรม MATLAB ( ฟังก์ชัน ( โดยไม่มีข้อโต้แย้ง ) ซึ่งจะสร้างค่าแบบสุ่มในช่วง [ 0 , 1 ] ที่มีการแจกแจงมาตรฐาน แสดงลำดับของรูปแบบการฝึกอบรมจะขึ้นอยู่กับวิธีต่อเนื่องทั้ง WSN –ส้ม ส้ม และโปรแกรมสำหรับจำลอง

ถ้าบนกระบวนการเริ่มต้นด้วยบ้านฟังก์ชั่นที่มีการกระจายกว้างมีรายงานว่า โดยปกติจะไม่มีความเสี่ยงสำหรับสิ้นสุดในเมตาสเตเบิลการกำหนดค่าของแผนที่ [ 33 ] และ [ 34 ] นี้ได้แสดงให้เห็นว่าตอนแรกจะสั่งเรียงลําดับเวกเตอร์ในระยะยาวผลของส้มกระบวนการฝึกอบรม [ 33 ] และ [ 34 ] มันยังระบุโดยเออร์วิน et al . [ 33 ] และ [ 34 ] , ถ้าเพื่อนบ้านเป็นฟังก์ชันนูนมีอยู่ไม่มีเสถียรภาพรัฐอื่นกว่าสั่งที่ ในทางกลับกัน ถ้าเพื่อนบ้านเป็นฟังก์ชันเว้า แล้วมีอยู่สถานะเมตาสเตเบิล ซึ่งอาจชะลอกระบวนการสั่งซื้อ โดยคำสั่งของขนาด

ศึกษาใช้ตัวแปรของฟังก์ชันละแวกเสียน ซึ่งใช้ข้อความแทนการกระโดดนับระยะห่างระหว่างโมตส์ เพื่อสร้างชุมชนสัมพันธ์และจะได้รับโดยสมการที่ ( 6 )



เปิดแหล่งที่มาดู MathML mathjax บน

ที่α ( TK ) คือการเรียนรู้ปัจจัยที่อธิบายไว้ในอีคิว ( 3 ) hopji ( TK ) 2 แสดงข้อความขึ้นมานับจากผู้ส่งไปยังผู้รับ มลทิน มลทิน เจ , ข้อมูลนี้สามารถสกัดได้จากที่ไหน ผงตำแหน่งภายใน WSN โครงสร้าง และσ ( TK ) เป็น กําหนดโดย อีคิว
( 3 )การลู่เข้าหรือบทสรุปของขั้นตอนการฝึกอบรมที่เกิดขึ้น และสามารถตรวจพบได้เมื่อฟังก์ชั่นใกล้เคียงทอพอโลยีจิตวิทยารวมเฉพาะตรงกับที่ดีที่สุด ( ซึ่งได้รับการสนับสนุนจากหน่วย ) และไม่มีคนอื่น ๆในชุมชนของตนและเมื่อน้ำหนักลด เพื่อเปลี่ยนแปลงค่าขนาดเล็กมากสำหรับทั้งกวาด หรือยุคผ่านการฝึกอบรมรูปแบบนี้คือขั้นตอนที่ใช้สำหรับทั้งสองและ WSN –ส้มส้ม MATLAB จำลอง

3 .

เราใช้ตัววัดสมรรถนะการประเมินทั้ง quantization ข้อผิดพลาดและข้อผิดพลาดภูมิประเทศมาตรการเพื่อเปรียบเทียบคุณภาพโซลูชั่น quantization ข้อผิดพลาด เป็นสมบัติที่รู้จักกันดีว่าเป็นประเพณีที่เกี่ยวข้องกับหลายรูปแบบของ quantization เวกเตอร์และการจัดกลุ่มขั้นตอนวิธีมันมาตรการความละเอียดแผนที่ และคำนวณโดยกำหนดระยะทางเฉลี่ยระหว่างข้อมูลหรือรูปแบบเวกเตอร์และซึ่งได้รับการสนับสนุนจาก . หนึ่งในข้อบกพร่องของตัวชี้วัดนี้ก็คือว่ามันสมบูรณ์ disregards แผนที่โครงสร้าง และแนว สูตรต่อไปนี้ใช้สำหรับการคำนวณของ quantization ข้อผิดพลาด :



ดูแหล่ง MathML โดยที่ P เป็นหมายเลขของรูปแบบการฝึกอบรมซีเป็น i-th ฝึกอบรมรูปแบบและ wbmu ฉันคือน้ำหนักเวกเตอร์ของซึ่งได้รับการสนับสนุนจากเซลล์ประสาทสำหรับซีรูปแบบการฝึกอบรม

ภูมิประเทศข้อผิดพลาดวัดต้องการข้อมูลเพิ่มค่าข้อมูลและข้อผิดพลาดเมื่อแต่ละที่ดีที่สุดและดีที่สุดที่ตรงกับสองหน่วยจะไม่ติดกัน ข้อผิดพลาดทั้งหมดเป็นปกติในช่วงตั้งแต่ 0 1 0 หมายถึงการรักษาที่สมบูรณ์แบบโทโพโลยีภูมิประเทศข้อผิดพลาดคำนวณผ่าน

ดู MathML แหล่ง

ที่ผมเป็นเช่นจำนวนรวมของจุดฝึกอบรม รูปแบบ และค่าของฟังก์ชัน U ( Xi ) คือ 1 ถ้าซีแบบใส่ , bmus ครั้งแรกและครั้งที่สองจะไม่ติดกัน และเป็น 0 มิฉะนั้น
[ 45 ]
3.4 . ชุดข้อมูลตัวเลข สัญลักษณ์

:ข้อมูลตัวอักษรชุด [ 46 ] ใช้ห้ามิติตัวอย่างรูปแบบของตัวอักษรตัวพิมพ์ใหญ่ในภาษาอังกฤษตัวอักษรเป็นเลขอารบิค 1 ถึง 6 ที่นำเสนอใน